三維初至波旅行時層析速度反演算法優(yōu)化

許 鑫，楊午陽，張 凱，魏新建，張向陽，李海山

（1.中國石油勘探開發(fā)研究院西北分院，蘭州 730020；2.中國石油天然氣集團(tuán)有限公司物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室，蘭州 730020；3.中國石油大學(xué)（華東）地球科學(xué)與技術(shù)學(xué)院，山東青島 266000）

0 引言

中國西北部塔里木盆地蘊(yùn)含著豐富的油氣資源，勘探潛力巨大，但地表結(jié)構(gòu)復(fù)雜，地貌以山前帶、戈壁、沙漠等為主。盆地內(nèi)地表起伏劇烈、高速礫巖分布不均勻、巖層風(fēng)化剝蝕嚴(yán)重，如此復(fù)雜的近地表結(jié)構(gòu)導(dǎo)致地震波傳播路徑非常復(fù)雜，難以得到準(zhǔn)確的近地表速度結(jié)構(gòu)，對后續(xù)靜校正、中深層反射波層析反演及偏移成像等產(chǎn)生極大影響。為克服這些問題，高精度靜校正［1-3］、起伏地表射線追蹤、基于波動方程反演成像［4-6］等處理技術(shù)應(yīng)運(yùn)而生，而通過復(fù)雜地表條件下初至波走時層析反演獲得高精度的淺表層速度則是這些技術(shù)應(yīng)用的基本保障。初至波層析反演對準(zhǔn)確描述淺表層速度結(jié)構(gòu)具有重要意義，同時也是地震數(shù)據(jù)處理和成像反演中至關(guān)重要的一步［7-8］。初至波旅行時是初至波走時層析反演中關(guān)鍵的信息，初至拾取的精度是獲得高精度走時層析反演結(jié)果的前提［9-10］。目前，國內(nèi)外已提出很多初至拾取方法，其中采用圖像分割方法進(jìn)行初至拾取是深度學(xué)習(xí)在地球物理學(xué)應(yīng)用方面的熱點(diǎn)［11-12］。相較以往僅將地震剖面分割為初至前與初至后的分類方法，將初至拾取轉(zhuǎn)化為圖像分割問題來解決，新增了包含初至窄帶的一類圖像，并對這3 類分割圖像賦予了相應(yīng)權(quán)重以突出包含初至窄帶的像素點(diǎn)。在正演走時計算方面，Vidale［13-14］提出了有限差分算法計算地震波旅行時，但存在計算不穩(wěn)定問題；Sethian 等［15-17］提出了快速推進(jìn)算法（Fast Marching Method，F(xiàn)MM），該方法基于迎風(fēng)差分方案和快速排序技術(shù)數(shù)值求解非線性Eikonal 方程，可應(yīng)用于地震初至波走時計算，解決了Vidale方法的計算不穩(wěn)定問題；Zhao［18］提出了快速掃描法（Fast Sweeping Method，F(xiàn)SM），該方法較FMM 適用范圍更廣且計算效率更高；Hassouna等［19］提出了改進(jìn)版本的FMM 算法，又稱為多模板快速推進(jìn)算法（Multi-stencils Fast Marching Method，MSFM），通過旋轉(zhuǎn)坐標(biāo)系建立多個差分模板，并沿多個模板求解Eikonal 方程，計算每個網(wǎng)格節(jié)點(diǎn)的旅行時，最后選擇滿足物理意義的解；王飛等［20］使用MSFM 計算波前傳播時間，采用最速下降法反向計算射線路徑，以此提高旅行時計算的精度和效率；丁鵬程等［21-22］將MSFM 成功應(yīng)用于三維起伏地表條件下的走時計算。

現(xiàn)階段“兩寬一高”采集技術(shù)已常規(guī)化，獲得海量的實(shí)際地震數(shù)據(jù)，使得初至拾取的精度與效率、射線類層析反演需存儲的大型Hessian 矩陣成為射線類層析反演發(fā)展面臨的亟待解決的難題，因此，初至走時層析速度反演在效率與精度方面不得不采取折中的處理手段。為此，部分專家致力于快速、高效地解決大數(shù)據(jù)量的層析反演問題［23］；有的學(xué)者為解決西部淺表層地質(zhì)情況復(fù)雜的問題，著力于提升層析反演的精度［24-26］；還有的專家針對初至波層析反演的某一核心環(huán)節(jié)進(jìn)行改進(jìn)［27-30］。在提升計算效率方面，采用分布式存儲器編程MPI（基于信息傳遞的編程模型），結(jié)合MSFM 技術(shù)與窄帶延拓策略計算正演模型走時，并采用Runge-kutta 算法完成反向射線追蹤。在提升層析反演精度方面，保證初至拾取效率與精度的同時，針對初至層析反演流程中的核心環(huán)節(jié)，提出一套多信息約束的初至波層析反演優(yōu)化策略，即增加視慢度與正則化對層析反演目標(biāo)函數(shù)進(jìn)行約束，降低目標(biāo)方程的病態(tài)性、多解性，使用微測井信息對層析反演初始速度場加以約束。

1 機(jī)器學(xué)習(xí)初至拾取

此次研究采用的神經(jīng)網(wǎng)絡(luò)是基于U-Net（圖1）。正向傳播過程中，卷積核的大小為（9，3），零填充大小為（4，1），步長為1；降采樣過程采用二維平均池進(jìn)行傳播，內(nèi)核大小為2，步幅為2；反向傳播過程中，通過轉(zhuǎn)置卷積將通道數(shù)量減半進(jìn)行升采樣，卷積核的大小為（7，3），零填充大小為（3，1），步長為2。由于特征圖的大小沒有變化（1 000×24），因此通過復(fù)制，將特征從收縮轉(zhuǎn)移到擴(kuò)展路徑。從訓(xùn)練結(jié)束到初至拾取分為3 類映射，通過二維卷積進(jìn)行，內(nèi)核大小為1，步長為1。

圖1 神經(jīng)網(wǎng)絡(luò)架構(gòu)Fig.1 Neural network architecture diagram

在開始訓(xùn)練之前，將包含45 000 個模型的數(shù)據(jù)集按所必需比例（8∶1∶1）拆分為訓(xùn)練、驗(yàn)證和測試子集，每隔100 個訓(xùn)練批次進(jìn)行驗(yàn)證。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，采用Adam 作優(yōu)化器，設(shè)置恒定的學(xué)習(xí)率為0.000 1。為及時停止學(xué)習(xí)過程，在驗(yàn)證數(shù)據(jù)集上計算IoU（交并比）指數(shù)，如果IoU 指數(shù)在一定數(shù)量的驗(yàn)證中沒有增大，則神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)將停止。將上述方法應(yīng)用于預(yù)測包含壞道的地震數(shù)據(jù)初至拾取（圖2），其中藍(lán)線為處理人員手動拾取的真實(shí)初至，綠線為通過神經(jīng)網(wǎng)絡(luò)預(yù)測拾取的初至，對比2 種初至拾取結(jié)果可以看出，在隨機(jī)噪聲以及地震壞道出現(xiàn)的情況下，通過神經(jīng)網(wǎng)絡(luò)預(yù)測拾取初至的精度可滿足工業(yè)生產(chǎn)需求，精度與人工拾取無異。在拾取效率方面，對包含80%隨機(jī)噪聲的576 000 道的合成地震數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要約3 h，通過神經(jīng)網(wǎng)絡(luò)預(yù)測拾取初至耗時僅約5 min，而處理人員人工手動逐道拾取則耗時約10 d，效率提升近80倍。另外，存在人工無法拾取的連續(xù)壞道的情況下（圖2a 的第10～12道；圖2b 的第18～20道；圖2c 的第13～15 道；圖2d的第15～17 道），神經(jīng)網(wǎng)絡(luò)預(yù)測拾取初至?xí)r，通過相鄰地震道拾取結(jié)果在壞道上插值拾取，仍可滿足精度需求。

圖2 機(jī)器學(xué)習(xí)預(yù)測地震初至拾取與人工拾取效果對比Fig.2 Comparison between machine learning prediction and artificial first break picking

2 三維初至波正演走時計算

2.1 多模板快速推進(jìn)算法（MSFM）

多模板快速推進(jìn)算法通過求解沿多個模板的Eikonal 方程計算網(wǎng)格單元節(jié)點(diǎn)的走時，從中選擇滿足具有真實(shí)物理意義的解。在二維情況下，2 個模板可以覆蓋8 個相鄰節(jié)點(diǎn)；在三維空間中，6 個迎風(fēng)差分模板可以覆蓋26 個相鄰網(wǎng)格節(jié)點(diǎn)。

以二階差分格式下的模板F2 為例（圖3），U1，U2，U3可以近似為

圖3 6 個三維多模板快速推進(jìn)算法（MSFM）笛卡爾域模板（據(jù)文獻(xiàn)［19］修改）Fig.3 Six three-dimensional MSFM Cartesian domain templates

由于多模板快速推進(jìn)算法通過多個笛卡爾域模板計算網(wǎng)格節(jié)點(diǎn)的走時，考慮了網(wǎng)格節(jié)點(diǎn)周圍26個相鄰節(jié)點(diǎn)的走時信息，相較于單模板在對角線方向可更有效提高走時計算的精度。

2.2 起伏地表窄帶延拓算法

通過多模板迎風(fēng)差分算法僅可實(shí)現(xiàn)局部網(wǎng)格節(jié)點(diǎn)走時計算，采用三維窄帶延拓技術(shù)模擬地震波波前擴(kuò)展過程可實(shí)現(xiàn)全局走時計算（圖4）。根據(jù)波前到達(dá)時節(jié)點(diǎn)是否完成走時計算可將網(wǎng)格節(jié)點(diǎn)分為4 類：①完成點(diǎn)，走時已計算且無法修改；②遠(yuǎn)離時還未計算；③窄帶點(diǎn)，走時已計算，仍可更新；④地表以上點(diǎn)，位于地表之上，不參與波前擴(kuò)展。

圖4 三維網(wǎng)格節(jié)點(diǎn)旅行時計算狀態(tài)Fig.4 Three-dimensional calculation status of grid nodes

最初，所有網(wǎng)格邊界點(diǎn)都被標(biāo)記為已知。通過求解計算它們的旅行時，將它們最近的網(wǎng)格節(jié)點(diǎn)標(biāo)記為窄帶。具體實(shí)現(xiàn)流程如下：

①在所有窄帶點(diǎn)中，找到旅行時最小的點(diǎn)，將其狀態(tài)標(biāo)記變更為已知點(diǎn)。

②找出距離最小旅行時節(jié)點(diǎn)最近的窄帶點(diǎn)或遠(yuǎn)離點(diǎn)。

③求解更新所有節(jié)點(diǎn)的旅行時間，即遠(yuǎn)離點(diǎn)標(biāo)記為窄帶點(diǎn)或窄帶點(diǎn)被賦予更小的旅行時。

④回到第一步循環(huán)迭代。

2.3 三維射線追蹤

走時層析反演過程中需要進(jìn)行射線追蹤，即采用走時對模型慢度的微商來構(gòu)建層析反演的敏感核函數(shù)，通過MSFM 計算全局旅行時之后，再將全局走時計算結(jié)果反投影即可完成射線追蹤。在各向同性介質(zhì)條件下，地震波傳播方向?yàn)椴ㄇ懊娣ň€方向，即走時梯度方向。因此，可從MSFM 得到的正演全局走時入手，以檢波點(diǎn)的位置作為初始點(diǎn)，沿著走時梯度方向，按一定的步長反向進(jìn)行射線追蹤直至到達(dá)激發(fā)點(diǎn)，求取射線路徑。

式中：α為射線追蹤的步長為走時梯度，ms，通過MSFM 算法可獲得；xn為射線追蹤的當(dāng)前位置；xn+1為下一個射線追蹤點(diǎn)的位置。

這里以x方向?yàn)槔▂，z方向計算方式同理），采用差分公式計算旅行時梯度t的一階分量

考慮到一階分量的計算精度較低，為提升射線追蹤的精度，使其適用于較復(fù)雜介質(zhì)情況，推導(dǎo)給出了旅行時梯度的二階與三階分量作為參考：

通過上式可獲得所有網(wǎng)格節(jié)點(diǎn)的走時梯度。為進(jìn)一步提升全局走時梯度的計算精度，引入Rungekutta 算法，通過近似射線方程的Taylor 展開，使用多個網(wǎng)格節(jié)點(diǎn)的走時梯度加權(quán)獲得當(dāng)前射線追蹤位置處xn的梯度值

式中：h為計算步長；K1，K2，K3，K4可分別表示為

通過聯(lián)立式（7）與式（8）便可完成走時梯度計算。設(shè)定射線追蹤的終止閾值為射線追蹤路徑長度遠(yuǎn)小于射線追蹤步長，即滿足

則射線追蹤結(jié)束，式中ε為一常數(shù)，根據(jù)不同精度要求可取不同值。

結(jié)合不同階數(shù)旅行時梯度計算公式、Runge-Kutta 算法及步長h可靈活調(diào)節(jié)的優(yōu)勢，該方法可以滿足復(fù)雜地表三維實(shí)際資料層析反演的要求，并且兼具計算效率與穩(wěn)定性高的優(yōu)勢。

3 基于多信息約束的三維初至波層析反演

3.1 視慢度約束

走時層析反演通過擬合真實(shí)走時d與正演走時G（m），逐步更新慢度模型。其反演過程可表示為

式中：m為慢度，s/m；Φ（m）為反演目標(biāo)函數(shù)；=d/l，表示對真實(shí)初至走時的歸一化，s；(m)=G(m)/l表示對模型正演走時的歸一化，s；l為射線路徑長度，m。

使用歸一化處理的目的是防止在走時較大的情況下反演過程中走時殘差收斂太快，而此時淺表層速度尚未準(zhǔn)確反演，從而影響淺層速度模型的反演效果。對于包含海量走時數(shù)據(jù)的三維走時層析反演而言，模型網(wǎng)格較多，射線數(shù)目的不足會導(dǎo)致層析反演方程組欠定，加劇反演問題的病態(tài)性。因此，需加入先驗(yàn)信息來約束反演解空間，以加速迭代收斂，方可獲得滿足實(shí)際應(yīng)用需求的近似解（最大似然解）。針對這一問題，Zhang 等［31］提出將視慢度信息加入目標(biāo)函數(shù)以約束慢度模型反演平均慢度-d，有助于提高淺層速度的精度，反演視慢度則有助于恢復(fù)深層速度結(jié)構(gòu)。因此，通過最小化平均慢度與視慢度的不適配來降低反演多解性。在引入視慢度信息后，目標(biāo)函數(shù)Φ（m）可表示為

引入視慢度信息約束后，層析反演目標(biāo)函數(shù)是對最小化平均慢度和視慢度的數(shù)據(jù)不適配，這就意味著層析反演目標(biāo)函數(shù)不僅是對初至走時的反演，而且結(jié)合了走時曲線進(jìn)行反演。借助視慢度信息可反演中、深層速度結(jié)構(gòu)，式（12）中權(quán)重因子ω可控制不同慢度信息所占比重，其值越大，中深層反演效果會更佳，反之亦然。當(dāng)ω=0 時，表示沒有視慢度約束。

3.2 正則化信息約束

應(yīng)用Tikhonov 正則化［32］需要使用模型導(dǎo)數(shù)算子，并可能產(chǎn)生較為“平滑”的解，這便產(chǎn)生了求解層析反演問題的穩(wěn)定性與反演結(jié)果準(zhǔn)確性的折中問題。使用較低階數(shù)的正則化算子對減弱層析反演方程病態(tài)性的效果微乎其微，而使用較高階數(shù)的正則化算子會使得層析反演結(jié)果變得特別平滑，會造成反演結(jié)果損失大量有效信息，因而降低層析結(jié)果的可信度。Zhang 等［31］經(jīng)過研究，給出了不同階數(shù)的Tikhonov 正則化約束公式，其中一階導(dǎo)數(shù)算子在數(shù)值上相當(dāng)于應(yīng)用線性插值方法，二階導(dǎo)數(shù)算子則對應(yīng)于三次樣條插值，等價于非線性插值方法的應(yīng)用。在模型慢度變化為線性時，一階光滑性準(zhǔn)則對于正則化是足夠的。然而，實(shí)際應(yīng)用中我們經(jīng)常會遇到慢度非線性變化的情況，因此，必須應(yīng)用非線性插值方法。

正如所有反問題一樣，初至波走時層析反演的解不是唯一的，存在很多與真實(shí)解逼近的模型解，但模型解并非都有實(shí)際物理意義。為獲得最優(yōu)解，常見策略是在符合多數(shù)物理概念及先驗(yàn)條件時，為有物理意義的數(shù)據(jù)和模型擬合建立相關(guān)定量標(biāo)準(zhǔn)。在視慢度信息約束的基礎(chǔ)上，應(yīng)用Tikhonov 正則化來約束模型的平滑度，最小化目標(biāo)函數(shù)Φ(m) 可改寫為

式中：τ為平滑權(quán)重因子；Cl為對應(yīng)射線長度l對旅行時進(jìn)行縮放的算子，R為正則化算子（例如導(dǎo)數(shù)算子、平滑算子）。

采用Scales［33］提出的將高斯-牛頓（GN）法最小化目標(biāo)函數(shù)相關(guān)的穩(wěn)態(tài)方程，應(yīng)用共軛梯度（CG）算法完成迭代更新，得到

式中：Ak為平均慢度核函數(shù)；Bk為視慢度核函數(shù)；εkI為變量阻尼項。

采用迭代反演方法線性化一個非線性逆問題在數(shù)值計算領(lǐng)域廣泛應(yīng)用。在Morgan［34］提出的GN 方法中加入一個可變阻尼參數(shù)來解釋非線性，可將模型平滑度顯式表達(dá)為最小化層析反演目標(biāo)函數(shù)。一般由于初始反演模型較差，只有在反演初期才會出現(xiàn)較大的非線性，當(dāng)目標(biāo)函數(shù)中S1和S2的數(shù)據(jù)不適配較小，S3（模型的平滑度）占比較大時，層析反演目標(biāo)函數(shù)趨于二次型。

4 實(shí)際應(yīng)用示例

4.1 塔里木盆地甫沙4 線束應(yīng)用示例

應(yīng)用示例1 位于塔里木西南區(qū)塊（圖5）。為落實(shí)地質(zhì)任務(wù)、評價甫沙4 油氣藏，同時也為塔西南后續(xù)地震勘探尋求新思路、新方法奠定基礎(chǔ)，在過甫沙4 號構(gòu)造圈部署了甫沙4 線束，其目的層為古近系與白堊系。激發(fā)參數(shù)為：960 次覆蓋；處理面元大小為7.5 m×15.0 m；選取的最大炮檢距為3 000 m；激發(fā)線距、激發(fā)點(diǎn)距與接收線距均為30 m；接收點(diǎn)距為15 m。結(jié)合老資料和野外施工的表層調(diào)查資料分析可知，工區(qū)表層結(jié)構(gòu)與地形地貌關(guān)系密切，工區(qū)低速層厚度變化較大，大多為2～80 m。工區(qū)南部黃土山體區(qū)低降速帶速度為300～1 600 m/s；工區(qū)西北部和東北部主要為三層結(jié)構(gòu)，高速層速度一般大于1 800 m/s，降速帶速度變化較大，為1 300～1 600 m/s，低速帶速度一般為600～1 300 m/s，高速層頂隨地表起伏變化。

圖5 塔里木盆地甫沙4 線束觀測系統(tǒng)Fig.5 Observation system of Fusha 4 wiring bundle in Tarim Basin

初至旅行時層析反演中偏移距選取過大時會引起射線路徑隨反演深度的增大而存在陰影區(qū)，造成層析結(jié)果失真，降低結(jié)果的可信度；另一方面偏移距選取過大，地震數(shù)據(jù)包含初至量增加，初至錯誤拾取率相對增加，會從源頭影響層析反演結(jié)果。因此，處理時僅保留偏移距在3 000 m 以內(nèi)的地震數(shù)據(jù)進(jìn)行初至拾取。采用機(jī)器學(xué)習(xí)方法拾取近偏移距地震數(shù)據(jù)（偏移距小于3 000 m）所有道的初至起跳點(diǎn)，先進(jìn)行質(zhì)控，再去除掉初至拾取異常值（異常大或0 等），本次拾取結(jié)果的精度可滿足工業(yè)生產(chǎn)需求（圖6）。

圖6 塔里木盆地甫沙4 線束機(jī)器學(xué)習(xí)方法拾取地震初至起跳Fig.6 First break picking using machine learning of Fusha 4 wiring bundle in Tarim Basin

因工區(qū)地震數(shù)據(jù)量巨大，為驗(yàn)證算法的有效性，僅截取工區(qū)西部共100 炮地震記錄進(jìn)行初至層析反演算法測試，分別采用常規(guī)線性梯度方法（圖7a）與微測井信息約束的方法建立反演初始速度場（圖7b）。采用多模板快速推進(jìn)算法（MSFM）正演計算初始速度場的全局網(wǎng)格走時，再采用起伏地表條件下的波前擴(kuò)展策略計算全局走時，采用Rugge-Kutta 算法進(jìn)行射線追蹤構(gòu)建層析核函數(shù)，完成反演方程組的構(gòu)建。

圖7 塔里木盆地區(qū)甫沙4 線束層析反演初始速度場Fig.7 Initial velocity used in tomography inversion of Fusha 4 wiring bundle in Tarim Basin

常規(guī)初至走時層析反演算法與優(yōu)化后的反演算法所采用的網(wǎng)格相同，大小為15 m×15 m×10 m。該區(qū)塊的常規(guī)初至層析反演結(jié)果存在嚴(yán)重的“牛眼”現(xiàn)象，包含較多高速異常體，低降速帶及高速層頂界面均不清晰（圖8a）。優(yōu)化后初至波層析反演結(jié)果基本去除“牛眼”現(xiàn)象，對起伏地表條件下的低降速帶刻畫效果較好，低速帶速度約為800 m/s，降速帶速度約為1 300 m/s，且高速層頂界面清晰，速度約為2 000 m/s，均與表層調(diào)查結(jié)果吻合（圖8b）。

圖8 塔里木盆地甫沙4 線束優(yōu)化前、后層析反演速度場對比Fig.8 Comparison of tomography inversion velocity field before and after optimization of Fusha 4 wiring bundle in Tarim Basin

常規(guī)層析反演結(jié)果射線分布雜亂且不合理（圖9a），優(yōu)化反演結(jié)果的射線路徑分布更為合理且更均勻（圖9b）。從射線密度對比可看出優(yōu)化后射線在深度500 m附近明顯集中，且在深度1 000 m 處存在明顯的折射界面，深度大于1 000 m 時基本沒有射線分布，這與只采用偏移距小于3 000 m 的地震數(shù)據(jù)有關(guān)。

圖9 塔里木盆地甫沙4 線束優(yōu)化前（a）、后（b）射線密度對比Fig.9 Comparison of ray distribution before（a）and after optimization（b）of Fusha 4 wiring bundle in Tarim Basin

4.2 塔里木盆地英買區(qū)塊應(yīng)用示例

示例2 為塔里木盆地英買區(qū)塊復(fù)雜三維實(shí)際地震數(shù)據(jù)。優(yōu)化前、后初至走時層析反演結(jié)果對比可以看出，常規(guī)反演速度場在縱向切片中存在速度異常，并且由于射線分布不均勻且深度較小，造成邊界成層陰影現(xiàn)象較重；多信息約束優(yōu)化后層析反演速度場中，由于正則化的因素，速度更為平滑，消除了“牛眼”異常速度塊，邊界陰影現(xiàn)象得到明顯改善（圖10）。從優(yōu)化前、后的射線密度場可以看出，優(yōu)化后反演的射線分布較常規(guī)算法的反演射線分布更加均勻、相同位置處射線密度更大，降低了層析反演方程的稀疏性，因而速度反演結(jié)果也更為可信（圖11）。

圖10 塔里木盆地英買區(qū)塊優(yōu)化前（a）、后（b）層析反演速度場對比Fig.10 Comparison of tomography inversion velocity before（a）and after optimization（b）inYingmai block Tarim Basin

圖11 塔里木盆地英買區(qū)塊優(yōu)化前（a）、后（b）射線密度對比Fig.11 Comparison of ray distribution before（a）and after（b）optimization in Yingmai block，Tarim Basin

為了量化對比優(yōu)化前、后反演的地層速度，分別在2 種層析反演結(jié)果的相同位置抽取速度曲線并疊合繪制，其中綠色曲線為測井速度曲線（井點(diǎn)未在工區(qū)內(nèi)，該井為距工區(qū)最近的井位），橙色為多信息約束優(yōu)化后反演的速度曲線，褐色為常規(guī)初至波層析反演的速度曲線（圖12）。從圖上可以看出優(yōu)化前、后的反演速度在深度為200～800 m 處差異較小，深度大于800 m 時優(yōu)化后速度曲線與測井速度曲線吻合度更高，即可說明優(yōu)化后的反演結(jié)果更準(zhǔn)確，更接近實(shí)際的地層速度。

圖12 塔里木盆地英買區(qū)塊優(yōu)化前、后速度與測井速度曲線對比Fig.12 Comparison of velocity curves before and after optimization in Yingmai block，Tarim Basin

5 結(jié)論

（1）使用機(jī)器學(xué)習(xí)方法拾取初至可在保證初至拾取精度大于99%的同時，效率提升80 余倍，但使用模擬數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)用于實(shí)際資料時，遷移應(yīng)用需多次調(diào)試才可滿足精度需求。

（2）使用視慢度信息與三階Tikhonov 正則化對目標(biāo)方程進(jìn)行約束，可增強(qiáng)層析反演方程組求解的穩(wěn)定性，約束模型解空間，提高了反演結(jié)果的準(zhǔn)確性。

（3）實(shí)際應(yīng)用顯示采用微測井約束的層析反演速度場中淺表層速度較常規(guī)反演結(jié)果更準(zhǔn)確，與測井?dāng)?shù)據(jù)的吻合度更高，可用于后續(xù)處理中的深度域速度建模。